科技关联度：提升股市收益率的新工具|学术光华

知识经济时代，科技实力已经成为一个公司短期盈利和长期生存的重要因素。世界上的科技巨头，如谷歌、苹果、亚马逊、特斯拉等公司，它们的行业和产品可能截然不同，但在科技层面却有着千丝万缕的联系。 这些科技上的关联超越了传统的行业界限，却通常不易从公司的财务报告中辨别出来。

北京大学光华管理学院张然老师与其合作者研究了公司之间的科技关联（Technological Links）和公司股票未来预期收益之间的关系。 其背后的逻辑是公司的科技创新并不是独立的，一项科技进步的溢出效应会影响科技关联度高的一系列公司，而这种影响将改变这些公司基本面，并最终（先后）反映到公司的股价中。

基于此，该文揭示了一个令人惊讶的实证关系，即 目标公司的股票收益率和与其科技关联度相近的公司前期的收益率之间有一种滞后-领先关系。 换句话说，对于任何一个目标公司，使用某种代理指标来计算它和其他公司的科技关联度，然后以该关联度为权重和关联公司的当期收益率就可以计算出一个加权收益率，该收益率对目标公司下一期的收益率有很强的预测性： 使用科技关联构建的多空组合投资策略可以获得月度1.17% 的超额收益（年化14%左右） 。 因此， 以科技关联度为权重的加权收益率是一个优秀的 α 因子。这种领先-滞后关系也可以被称作“科技动量”。

该文于2018年9月获得 美国金融量化协会 (The Institute for Quantitative Research in Finance，简称Q Group) Roger F. Murray Prize 杰出研究一等奖(2018 First Prize)。

实施科技动量策略，首先需要计算公司之间的科技关联度。为此，作者使用谷歌专利数据库提供的专利数据，将公司所有的授权专利对应到美国专利与商标局( United States Patent and Trademark Office, USPTO) 规定的427种专利分类中，确认其所属类别。在任一时点，通过计算两家公司过去5年间所授权的专利在不同专利分类中的布局，进而算出专利布局向量的相关系数，得到公司两两之间的科技相关度，最小为0，最大为1。 两家公司的专利布局越相似，其专利布局向量的相关系数越高，科技关联程度越大。通过这样的方法，就可以在任一时点，计算目标公司与其他公司之间的科技关联度。

图1展示了两家公司 Regeneron Pharmaceuticals 和 Illumina 在 2002 到 2006 年间专利布局的情况。Regeneron 是一家制药公司，而 Illumina 生产生命科学检测仪器并提供基因分析服务。这两家公司处于完全不同的行业，且在供应链方面也没有什么联系。但是科技关联性从全新的角度揭示了它们之间的关联 —— 这两家公司在 435 专利分类（分子生物学和微生物学）均有很多专利，它们之间的科技关联度高达 0.71。可见 科技关联度可以揭示被行业以及上下游产业链忽视的公司之间的关系，文章发现这种关联在选股方面大有可为。

图1: Illumina和Regeneron的专利布局情况 (2002-2006)

找到科技关联的公司之后，就可以利用科技关联公司过去的股票收益，预测目标公司未来的股票收益，也就是所谓的“科技动量”。 作者构建了如下投资策略：在第t月末，对于每个目标公司，首先找到科技关联的所有公司，再计算根据科技相似度加权的科技关联公司第t月股票收益，即科技关联收益（TechRet），最后利用该指标选择目标公司——买入第t月科技关联收益处于前10%的目标公司，卖空处于后10%的目标公司。据此构建的等权投资组合在第t+1月可以获得1.17%的超额收益，并在控制行业、供应链等公司间动量效应，以及其他常见的市场异象后仍然稳健存在。作者发现， 买入并持有一个月的策略收益最好。 随着投资组合持有期的逐渐增加，超额收益也逐渐减少，并在未来没有出现反转——这表明科技动量是一个价格发现的过程，随着投资者逐渐意识到科技关联公司的新信息，股价也随之逐渐反应完全。

图2：基于科技关联的套利组合收益

前文的结果说明TechRet因子在选股方面确实有效，而且它获得的超额收益不能被市场中常见的其他因子解释。那么该因子为什么有效？其内在逻辑是什么？对于超额收益，学术界和业界主流的两种解释是 错误定价 和 风险补偿 。搞清楚策略背后的机制至关重要：错误定价意味着投资者可以通过合理的策略获得潜在的超额收益；而风险补偿则意味着投资者获得的收益是以承担额外风险为代价的。

为了区分这两种解释，文章首先验证错误定价，并研究了以下三个方面：

1.  科技相关信息（innovation-related information）的性质；

2. 投资者对这类新息的有限注意力（limited attention）；

3.  投资者的套利成本。

第一方面，实证结果表明，TechRet因子的强度和目标公司的科技强度（technology intensity）和专度（technology specificity）有关。举例来说，在强度方面，R&D 开销大的公司获得的TechRet因子收益更高；在专度方面（科技专度高指公司的专利可用行业较集中），作者发现专度高的公司获得的TechRet因子收益更高，也就是说，科技专度高的公司其科技信息更难被投资者理解。

第二方面，为了检验投资者的有限注意力，作者发现投资者关注度低的公司 ——市值小、分析师跟随少、机构投资者占比低、媒体报道少—— 获得更高的TechRet因子收益率。

最后一方面，使用特异性波动率以及业绩亏损作为套利成本的代理指标，作者发现套利成本高的公司能够获得更高的TechRet因子收益率。

上述结果从科技信息性质、投资者的有限注意力以及套利成本方面，证实了价格对与科技类基本面消息的吸收是缓慢的，从而造成了错误定价。

除了错误定价这种解释外，另一种常见的解释是从风险补偿的角度，即因子之所以获得超额收益是因为它暴露于某种未知的风险。然而文章的分析说明，这种解释并不成立。作者从另外四个角度来分析风险补偿说。这里着重介绍其中的两个。

首先，作者考察因子在盈余公告期的收益情况，这是一种被学术界普遍认可的方法。它背后的逻辑是，如果某个α因子和错误定价有关，则该因子在盈余公告期内应该比其他时间内获得更高的收益，这是因为最新的盈余报告有助于修正投资者之前对该股票的错误定价。而反过来，如果该因子是源自风险补偿，我们将不会观察到上述现象。回归结果表明，在考虑了一系列必要的控制变量后，盈余公告期内TechRet因子能够获得非盈余公告期内 4 倍以上的收益率，这是风险补偿说完全无法解释的。

第二个角度则是考察公司未来的未预期盈余（standardized unexpected earnings，SUE），这是一个非常重要的公司业绩指标，同时，它也是一个非收益率指标，因此不会被对风险的控制不足所影响。作者发现当前季度的TechRet因子对未来三个季度的 SUE 都有显著的预测性，且这种预测性在逐步减弱。这一结果有力的佐证了该因子可能来源于错误定价，而非风险补偿。

张然老师指出，该研究的启示在于： 在当今科技驱动的环境中，投资者尚未及时充分地理解关联公司科技信息的价值含量。

因此：

1. 对投资者而言，解决问题最好的方法就是利用科技关联构建投资策略组合，在获取超额收益的同时提升市场定价效率；

2. 对于科技公司的高管而言，通过加强投资者教育，例如借助媒体或主动披露公司的科技能力，则能够减少信息不对称，促进公司股票合理定价。

本期“学术光华”介绍了以下研究

由张然老师合著的论文 Technological Links and Predictable Returns, 在 Journal of Financial Economics 发表。《金融经济学期刊》（ Journal of Financial Economics ）是金融学领域顶级国际学术期刊，刊登过众多对金融学领域有着重大贡献的研究成果。

该文于2018年9月获得美国金融量化协会（Q Group） Roger F. Murray Prize 杰出研究一等奖（2018 First Prize）。 该奖项每年评选一次，奖励金融量化领域杰出的研究成果。在该奖项的评选历史中，芝加哥大学布斯商学院的尤金·法玛教授（Eugene F. Fama）是首位获得First Prize的学者，历次获奖者包括芝加哥大学理查德·席勒教授（Richard Thaler），哥伦比亚大学商学院教授Stephen H. Penman等在金融会计领域拥有极高声誉和贡献的学者。